創(chuàng)新創(chuàng)業(yè)課程AI學(xué)習(xí)服務(wù)平臺設(shè)計

摘 要：本文針對高職院校創(chuàng)新創(chuàng)業(yè)課程傳播數(shù)據(jù)冗雜、技術(shù)發(fā)展過快等現(xiàn)狀，結(jié)合試驗法設(shè)計了高職院校創(chuàng)新創(chuàng)業(yè)課程AI云計算學(xué)習(xí)服務(wù)平臺。采用FCM聚類算法、特征選擇算法以及mRMR算法對數(shù)據(jù)進(jìn)行處理。結(jié)果表明，高職院校創(chuàng)新創(chuàng)業(yè)課程AI云計算學(xué)習(xí)服務(wù)平臺數(shù)據(jù)可視化、數(shù)據(jù)分析維度包括每日登錄人數(shù)分析、平均學(xué)習(xí)時長分析、學(xué)習(xí)行為次數(shù)分析、每日活躍情況分析和分時段學(xué)習(xí)人數(shù)分析。最終使用ECharts可視化工具對在線教育平臺在學(xué)習(xí)過程中產(chǎn)生的數(shù)據(jù)進(jìn)行可視化大屏展現(xiàn)，教育數(shù)據(jù)可視化能夠了解教學(xué)方向，為學(xué)生學(xué)習(xí)提供幫助。

關(guān)鍵詞：教育傳播；大數(shù)據(jù)；可視化；ECharts

中圖分類號：G 434 " " " " 文獻(xiàn)標(biāo)志碼：A

隨著人工智能、大數(shù)據(jù)技術(shù)快速發(fā)展，人工智能+教育也成為現(xiàn)代科技研究的熱點。AI技術(shù)在教育、教學(xué)等領(lǐng)域發(fā)揮重要作用，圍繞“AI學(xué)習(xí)服務(wù)平臺”的各種創(chuàng)新創(chuàng)業(yè)課程可幫助院校學(xué)生加強創(chuàng)新創(chuàng)業(yè)的理解和實踐能力，利用人工智能對高職院校創(chuàng)新創(chuàng)業(yè)進(jìn)行數(shù)據(jù)板塊處理，能夠推動高職院校就業(yè)率的提高[1]。《中國高校創(chuàng)新創(chuàng)業(yè)教育發(fā)展藍(lán)皮書（2017）》指出，新時期的創(chuàng)新創(chuàng)業(yè)教育對于深化高校教育改革、完善人才發(fā)展機制、支撐“雙創(chuàng)”以及創(chuàng)新驅(qū)動發(fā)展戰(zhàn)略有重要意義[2]。作為大學(xué)生創(chuàng)新創(chuàng)業(yè)的重要組成部分，大數(shù)據(jù)與AI為大學(xué)生的創(chuàng)新創(chuàng)業(yè)行為提供了強有力支撐，如何利用AI和云計算技術(shù)對大學(xué)生進(jìn)行創(chuàng)新創(chuàng)業(yè)引導(dǎo)，成為目前高校創(chuàng)新創(chuàng)業(yè)教育面臨的一個重要課題。目前，大數(shù)據(jù)、AI等應(yīng)用越來越多，各高校紛紛搭建各自的大數(shù)據(jù)與AI技術(shù)平臺。因此，高職院校要跟上時代步伐，全面發(fā)展，搭建起自己的大數(shù)據(jù)和AI技術(shù)平臺，培養(yǎng)具有大數(shù)據(jù)思維能力和AI技能的新一代人才，為國家的經(jīng)濟建設(shè)培養(yǎng)出更多創(chuàng)新創(chuàng)業(yè)型優(yōu)秀人才。本文以“大數(shù)據(jù)”與“AI”為基礎(chǔ)，對高職院?！按髮W(xué)生創(chuàng)新創(chuàng)業(yè)”教育進(jìn)行了探討。

1 高職院校創(chuàng)新創(chuàng)業(yè)課程AI云計算學(xué)習(xí)服務(wù)平臺算法研究

1.1 功能分析

高職院校創(chuàng)新創(chuàng)業(yè)課程AI云計算學(xué)習(xí)服務(wù)平臺功能分析如圖1所示。1）在線課程：平臺提供了全面的AI和云計算課程，包括理論知識和實踐操作，方便學(xué)生隨時隨地學(xué)習(xí)。2）互動學(xué)習(xí)：平臺提供了在線討論、實時問答、在線測試等功能，方便學(xué)生與學(xué)生、學(xué)生與老師間的交流和互動。3）虛擬試驗：通過云計算技術(shù)，平臺為學(xué)生提供了虛擬試驗環(huán)境，使學(xué)生能在沒有硬件設(shè)備的情況下進(jìn)行試驗操作。4）創(chuàng)新創(chuàng)業(yè)支持：平臺為學(xué)生提供了創(chuàng)新創(chuàng)業(yè)資源和指導(dǎo)，鼓勵學(xué)生在課程中開展創(chuàng)新創(chuàng)業(yè)活動。

1.2 相關(guān)算法

1.2.1 FCM聚類算法

高職院校創(chuàng)新創(chuàng)業(yè)課程AI云計算學(xué)習(xí)服務(wù)平臺的主要算法為FCM聚類算法[3]，該算法可將同一類型數(shù)據(jù)進(jìn)行整合。FCM聚類算法的基本原理是模糊理論，這種模糊理論從客觀事實出發(fā)，可處理模糊不確定的事物，又稱模糊C均值算法。確定AI云計算學(xué)習(xí)服務(wù)平臺模型的輸入、輸出后，需要對輸入的數(shù)據(jù)進(jìn)行形式化定義。FCM是將n個用戶數(shù)據(jù)作為n個向量xi，其中涉及隸屬關(guān)系，F(xiàn)CM算法的模糊隸屬度的取值范圍為[0，1]，該算法的實質(zhì)是構(gòu)建模糊矩陣U，矩陣中每個要素都是各矢量的糊隸屬度，值的范圍為[0，1]，歸類后的每個元素的模糊隸屬度之和均為1。

FCM聚類算法如公式（1）所示。

（1）

FCM聚類算法的目標(biāo)函數(shù)如公式（2）、公式（3）所示。

（2）

dij=||cj-xj|| " "（3）

式中：uij的取值范圍為[0，1]；ci為模糊類i的聚類中心；dij為第i個聚類中心到第j向量間的歐式距離；m為加權(quán)指數(shù)，其取值范圍為[1，∞]。

為使目標(biāo)函數(shù)取得最小值，做出以下改進(jìn)，如公式（4）所示。

（4）

式中：λj為n個約束式的拉格朗日因子。

目標(biāo)函數(shù)取得最小值需要前提，其必要條件如公式（5）、公式（6）所示。

（5）

（6）

1.2.2 聚類有效性函數(shù)

AI云計算學(xué)習(xí)服務(wù)平臺進(jìn)行聚類分析時需要確定分類效果，聚類有效度函數(shù)是評價聚類效果的一種方法，能較好地評價聚類的分類效果，增強對各創(chuàng)新創(chuàng)業(yè)類型的表達(dá)能力。計算時，其特性值并不是固定的，因此可通過類間分離性和類內(nèi)緊性來間接判定聚類效果，通過對聚類有效性函數(shù)可以判定二者間的相關(guān)性。

用戶與類內(nèi)用戶間的相似度如公式（7）所示。

（7）

類內(nèi)平均值如公式（8）所示。

（8）

某一類數(shù)據(jù)的類內(nèi)緊密度如公式（9）所示。

（9）

1.2.2.1 聚類評價指標(biāo)

MIA指標(biāo)：MIA函數(shù)如公式（10）所示。

（10）

式中：N為用戶的個數(shù)；MIA為類內(nèi)距離和的平均值，MIA的值越小，聚類效果越好。

CDI指標(biāo)：CDI函數(shù)如公式（11）所示。

（11）

式中：Xc為第c類用戶；CDI為類內(nèi)緊密度的平均值，CDI的值越小，聚類效果越好。

SI指標(biāo)：SI函數(shù)如公式（12）所示。

（12）

式中：為每個向量與平均值間距離和；為每個聚類中心與平均值間的距離和；SI的值越小，聚類效果越好。

DBI指標(biāo)：DBI函數(shù)如公式（13）所示。

（13）

式中：DBI為類內(nèi)距離與類間距離的比值，DBI的值越小，聚類效果越好。

1.2.2.2 聚類效果

該模型對AI云計算學(xué)習(xí)服務(wù)平臺700個樣本進(jìn)行驗證，結(jié)合四項指標(biāo)和聚類數(shù)目2～9，模型的指標(biāo)或者模型樣本特征提取可作為模型輸入變量，指標(biāo)分析見表1。利用FCM算法，對用戶數(shù)據(jù)（X3）、輸入數(shù)據(jù)（X1）和輸出數(shù)據(jù)（X2）進(jìn)行論述。

由表1可知，當(dāng)聚類數(shù)目為4時，各類指標(biāo)值均為最小值，聚類效果最好。聚類時，AI云計算學(xué)習(xí)服務(wù)平臺可結(jié)合需求，聚類效果最好。

1.2.3 協(xié)同過濾推薦算法

1.2.3.1 基于AI云計算學(xué)習(xí)服務(wù)平臺用戶的UCF

基于用戶的協(xié)同過濾算法（User-based Collaborativen Filtering，UCF）的主要做法是找到一群愛好相似的用戶，即基于AI云計算學(xué)習(xí)服務(wù)平臺用戶的協(xié)同過濾（Collaborative Filtering，CF）算法或基于相鄰者的協(xié)同過濾（Neighbor-based Collaborativen Filtering）算法。用戶與用戶間的相似度通常用Jaccard公式或余弦相似度來計算，可以更直觀地觀察到2個用戶的相似度。設(shè)M（u）是用戶u中意項目的集合，M（v）為用戶v中意項目的集合，則u和v的相似度如下所示。

余弦相似度如公式（14）所示。

（14）

Jaccard公式如公式（15）所示。

（15）

UCF通過對相關(guān)數(shù)據(jù)進(jìn)行搜集，掌握使用者的創(chuàng)業(yè)創(chuàng)新數(shù)據(jù)，再根據(jù)用戶間的相似性找出與此用戶相近的一群人，并根據(jù)創(chuàng)業(yè)創(chuàng)新數(shù)據(jù)信息推送相關(guān)創(chuàng)業(yè)創(chuàng)新內(nèi)容。

1.2.3.2 基于項目的ICF

隨著用戶數(shù)量增加，UCF消耗的計算時間越來越多。因此出現(xiàn)了另一種CF，即基于項目的協(xié)同過濾（Item-based Collaborative Filtering，ICF）算法。ICF的基本假設(shè)如下：如果用戶中意一個項目，那么與該項目相似的其他項目也有可能引起用戶的興趣。項目間的相似性用數(shù)學(xué)方法進(jìn)行計算。項目相似度的計算過程如公式（16）所示。

（16）

式中：|M（i）|是喜歡項目i的用戶數(shù)；|M（j）|是喜歡項目j的用戶數(shù)。

ICF的方法步驟如下：收集相應(yīng)信息，計算已評價的項目和預(yù)測項目的相似度，并以此為基礎(chǔ)得出預(yù)測項目的預(yù)測分?jǐn)?shù)，最終產(chǎn)生推薦結(jié)果。

首先，分類準(zhǔn)確度是指判斷一個項目是否迎合了用戶的偏好且結(jié)果正確的比例，包括召回率和準(zhǔn)確率。設(shè)U為用戶集，Ru為用戶u的推薦列表，Bu為測試集中用戶給予正反饋的項目。

準(zhǔn)確率是指在推薦的結(jié)果中，用戶在現(xiàn)實中給過正反饋的項目所占的比例。單個用戶u的準(zhǔn)確率如公式（17）所示。

（17）

整個推薦系統(tǒng)的準(zhǔn)確率如公式（18）所示。

（18）

召回率是指在測試集中，用戶給過正反饋的項目占測試集的比例。單個用戶u的召回率如公式（19）所示。

（19）

整個系統(tǒng)的召回率如公式（20）所示。

（20）

其次，預(yù)測準(zhǔn)確度是指預(yù)測用戶對項目的評分的行為，包括均方根誤差（Root Mean Square Error，RMSE）和平均絕對誤差（Mean Absolute Error，MAE）。

均方根誤差RMSE如公式（21）所示。

（21）

式中：Ωtest為測試集；ruv用戶u對項目v的實際評分；yuv表示預(yù)測評分。

平均絕對誤差MAE如公式（22）所示。

（22）

2 高職院校創(chuàng)新創(chuàng)業(yè)課程AI云計算學(xué)習(xí)服務(wù)平臺設(shè)計

2.1 設(shè)計目標(biāo)

該平臺是一個在線學(xué)習(xí)平臺，專為高職院校的創(chuàng)新創(chuàng)業(yè)課程而設(shè)計。平臺結(jié)合了人工智能和云計算技術(shù)，提供了豐富的課程資源和互動工具，使學(xué)生可以在線學(xué)習(xí)AI和云計算知識，并參與各種實踐活動。

2.2 數(shù)據(jù)處理

將AI云計算學(xué)習(xí)服務(wù)應(yīng)用于高職院校的創(chuàng)新創(chuàng)業(yè)課程數(shù)據(jù)處理中，可有效提高教學(xué)質(zhì)量和學(xué)生的學(xué)習(xí)效果。隨著技術(shù)不斷進(jìn)步和應(yīng)用領(lǐng)域不斷拓展，AI云計算學(xué)習(xí)服務(wù)平臺將在高職教育中發(fā)揮更大作用，為培養(yǎng)高素質(zhì)的技術(shù)技能人才提供有力支持。1）數(shù)據(jù)采集。本次試驗使用的數(shù)據(jù)集是創(chuàng)業(yè)網(wǎng)站的公開數(shù)據(jù)集。這個數(shù)據(jù)集包括470多萬條評論和15多萬企業(yè)信息。下載SQL版數(shù)據(jù)集，將其存儲在MySQL數(shù)據(jù)庫中。通過AI云計算學(xué)習(xí)平臺收集學(xué)生在創(chuàng)新創(chuàng)業(yè)課程中的學(xué)習(xí)數(shù)據(jù)，包括學(xué)習(xí)進(jìn)度、成績和反饋等信息。2）數(shù)據(jù)處理。利用AI技術(shù)對收集的數(shù)據(jù)進(jìn)行清洗、分類、分析和挖掘，提取有價值的信息，為教學(xué)提供決策支持。3）數(shù)據(jù)應(yīng)用。將處理后的數(shù)據(jù)應(yīng)用于教學(xué)實踐中，優(yōu)化教學(xué)資源配置，提高教學(xué)質(zhì)量。同時引導(dǎo)學(xué)生利用數(shù)據(jù)解決實際問題，培養(yǎng)他們的創(chuàng)新意識和創(chuàng)業(yè)能力。

2.3 試驗結(jié)果分析

將處理好的數(shù)據(jù)使用上述設(shè)計模型進(jìn)行訓(xùn)練。其中訓(xùn)練數(shù)據(jù)用于訓(xùn)練LDA模型，測試數(shù)據(jù)用于對訓(xùn)練好的模型進(jìn)行推薦結(jié)果測試。與其他推薦系統(tǒng)類似，本文將準(zhǔn)確率（Precision）作為評估標(biāo)準(zhǔn)。Precision@K是指對所有測試集評論進(jìn)行推薦的平均Top K準(zhǔn)確度。本文將分別計算Precision@1、Precison@5、Precision@10和Precision@15，用于衡量模型的性能。為了分別觀察不同主題個數(shù)對推薦結(jié)果的影響，分別選取主題個數(shù)5、10、15、20，25和30，分別訓(xùn)練出對應(yīng)的模型，然后利用訓(xùn)練出來的模型進(jìn)行推薦并計算其Precision@K。不同主題數(shù)目下的Precision@5、Precision@10和Precision@15分別如圖2、圖3所示。

不同主題數(shù)目的Precision@K對比如圖4所示。從圖4可以看出，高職院校創(chuàng)新創(chuàng)業(yè)課程AI云計算學(xué)習(xí)服務(wù)平臺主題數(shù)目設(shè)置為20時，推薦結(jié)果較好。

2.4 系統(tǒng)實現(xiàn)

高職院校創(chuàng)新創(chuàng)業(yè)課程AI云計算學(xué)習(xí)服務(wù)平臺提供了豐富的學(xué)習(xí)資源，包括課程資料、案例分析和實踐項目等，方便學(xué)生自主學(xué)習(xí)和團隊協(xié)作，為學(xué)生提供一個在線學(xué)習(xí)交流的平臺，方便學(xué)生間進(jìn)行互動和討論，提高學(xué)生的參與度和學(xué)習(xí)效果。支持學(xué)生在平臺上開展實踐項目，提供項目進(jìn)度管理、團隊協(xié)作等功能，幫助學(xué)生提高實踐能力。利用人工智能技術(shù)，根據(jù)學(xué)生的學(xué)習(xí)情況和興趣愛好，為學(xué)生推薦相關(guān)學(xué)習(xí)資源和項目，提高學(xué)生的學(xué)習(xí)效率。對學(xué)生的學(xué)習(xí)情況和教師的教學(xué)效果進(jìn)行數(shù)據(jù)分析，為學(xué)校的管理和決策提供依據(jù)。并將分析結(jié)果反饋給教師和學(xué)生，幫助他們改進(jìn)學(xué)習(xí)和教學(xué)。

3 結(jié)論

結(jié)合上述分析，高職院校創(chuàng)新創(chuàng)業(yè)課程學(xué)習(xí)服務(wù)平臺需要進(jìn)一步完善，尤其在AI云計算發(fā)展方面。為了提高教學(xué)水平和學(xué)生參與度，本文結(jié)合現(xiàn)代化AI技術(shù)，設(shè)計了高職院校創(chuàng)新創(chuàng)業(yè)課程AI云計算學(xué)習(xí)服務(wù)平臺。該系統(tǒng)在教學(xué)內(nèi)容上將AI和云計算技術(shù)與資源相結(jié)合，通過AI技術(shù)的“真實感”加強學(xué)生對創(chuàng)新創(chuàng)業(yè)課程學(xué)習(xí)的興趣。因此，將AI和云計算技術(shù)應(yīng)用于學(xué)習(xí)平臺，能夠更有效地推動創(chuàng)新創(chuàng)業(yè)活動，增加學(xué)生對創(chuàng)新創(chuàng)業(yè)的了解。

參考文獻(xiàn)

[1]田西雨，吳淑蘋.教育大數(shù)據(jù)分析模型與服務(wù)平臺建構(gòu)研究——以國家開放大學(xué)教學(xué)分析平臺為例[J].重慶開放大學(xué)學(xué)報，2023，35（3）：32-41.

[2]方海光，孔新梅，洪心，等.面向教育數(shù)字化服務(wù)的教育數(shù)據(jù)模型體系研究[J].遠(yuǎn)程教育雜志，2022，40（4）：45-54.

[3]李國峰.教育大數(shù)據(jù)背景下智慧學(xué)習(xí)系統(tǒng)模型的構(gòu)建研究[J].北京城市學(xué)院學(xué)報，2021（1）：59-64.